MétaCan
Menu
Retour à la cohorte
Enregistrement W4250856172 · doi:10.1016/s1556-3499(12)00018-6

Instructions for Authors

2012· article· en· W4250856172 sur OpenAlexaboutno aff

Notice bibliographique

RevueJournal of Chiropractic Humanities · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueBuilding Energy and Comfort Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésZero-energy buildingRenewable energyRetrofittingRoofEnergy modelingOffset (computer science)Zero emissionBuilding envelopePrimary energyCivil engineeringComputer scienceArchitectural engineeringEnvironmental scienceEfficient energy useEngineeringThermalMeteorologyElectrical engineering

Résumé

récupéré en direct d'OpenAlex

In order to have an immediate impact on building energy-related emissions, existing buildings need to be addressed. To inform policy and technical decisions, detailed mathematical models are required which can explore numerous building retrofit solutions and their energy and emissions performance. This paper describes the adaptation of a hybrid statistical and engineering-based model for residential building stock in Canada to analyze community-scale energy retrofits. The modelling domain includes both envelope and mechanical retrofits, as well as district renewable energy systems. This model is then applied to a case study of converting a community of fifty 1980’s vintage single-detached homes to achieve net-zero energy. The case study demonstrated that deep envelope retrofits and fuel switching from natural gas to electric heat pump systems reduce community energy demand by 69%. Saturating available roof area with photovoltaics was able to achieve net-zero balance. By considering net-zero at the community-scale, individual buildings that did not achieve net-zero were offset by net-exporting neighbours. Annual community emissions of the retrofit reduced emissions by 95%. The analysis also highlights the significant impact on electrical infrastructure due to solar generation and energy demand mismatch.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,938
Score d'incertitude au seuil0,208

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,039
Tête enseignante GPT0,251
Écart entre enseignants0,212 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Chiropractic HumanitiesMême sujetBuilding Energy and Comfort OptimizationTravaux en français237 207